ARIMA மாதிரிகள் (ARIMA Models)

ARIMA மாதிரிகள் (ARIMA Models)

அறிமுகம்

காலம் சார்ந்த தரவுகளை (Time Series Data) பகுப்பாய்வு செய்து, எதிர்கால மதிப்புகளைக் கணிக்கப் பயன்படும் ஒரு புள்ளிவிவர முறைமையே ARIMA மாதிரி ஆகும். ARIMA என்பது AutoRegressive Integrated Moving Average என்பதன் சுருக்கம். நிதிச் சந்தைகளில், குறிப்பாக பைனரி ஆப்ஷன் பரிவர்த்தனையில், விலை நகர்வுகளைக் கணிப்பதற்கும், வர்த்தக உத்திகளை உருவாக்குவதற்கும் இது ஒரு முக்கியமான கருவியாகும். இந்த கட்டுரை ARIMA மாதிரியின் அடிப்படைகள், அதன் கூறுகள், பயன்பாடுகள் மற்றும் பைனரி ஆப்ஷன் வர்த்தகத்தில் அதன் முக்கியத்துவத்தை விளக்குகிறது.

நேரத் தொடர் தரவு (Time Series Data)

ARIMA மாதிரியைப் புரிந்துகொள்ள, முதலில் நேரத் தொடர் தரவு என்றால் என்ன என்பதைப் புரிந்துகொள்ள வேண்டும். நேரத் தொடர் தரவு என்பது ஒரு குறிப்பிட்ட கால இடைவெளியில் சேகரிக்கப்பட்ட தரவு புள்ளிகளின் வரிசையாகும். உதாரணமாக, ஒரு பங்கின் தினசரி விலைகள், ஒரு நாணயத்தின் மணிநேர விலைகள், அல்லது ஒரு பொருளின் மாதாந்திர விற்பனை எண்ணிக்கை போன்றவை நேரத் தொடர் தரவுகளாகும். இந்தத் தரவுகள் காலவரிசைப்படி அமைக்கப்பட்டிருக்கும்.

ARIMA மாதிரியின் கூறுகள்

ARIMA மாதிரி மூன்று முக்கிய கூறுகளைக் கொண்டது:

• AutoRegressive (AR) - தன்னியக்க பின்னடைவு: முந்தைய தரவு புள்ளிகளின் அடிப்படையில் நிகழ்கால மதிப்பை கணிக்கிறது. அதாவது, ஒரு குறிப்பிட்ட நேரப் புள்ளியில் உள்ள மதிப்பு, முந்தைய நேரப் புள்ளிகளில் உள்ள மதிப்புகளின் நேரியல் கலவையாக இருக்கும்.
• Integrated (I) - ஒருங்கிணைக்கப்பட்டது: தரவு நிலையாக இல்லாவிட்டால் (Non-Stationary), அதை நிலையானதாக மாற்றுவதற்குப் பயன்படுத்தப்படுகிறது. நிலையற்ற தரவு என்பது காலப்போக்கில் அதன் சராசரி மற்றும் மாறுபாடு மாறும் தரவு ஆகும். தரவை நிலையானதாக மாற்ற, ஒரு குறிப்பிட்ட எண்ணிக்கையிலான வேறுபாடுகளை (Differencing) எடுக்க வேண்டும்.
• Moving Average (MA) - நகரும் சராசரி: முந்தைய பிழைகளின் அடிப்படையில் நிகழ்கால மதிப்பை கணிக்கிறது. அதாவது, முந்தைய கணிப்புகளின் பிழைகள், தற்போதைய கணிப்பில் பயன்படுத்தப்படுகின்றன.

ARIMA மாதிரியின் குறியீடு

ARIMA மாதிரி பொதுவாக ARIMA(p, d, q) என்று குறிப்பிடப்படுகிறது. இதில்:

• p: AR கூறின் வரிசை (Order). முந்தைய எத்தனை தரவு புள்ளிகள் பயன்படுத்தப்படுகின்றன என்பதைக் குறிக்கிறது.
• d: I கூறின் வரிசை. தரவை நிலையானதாக மாற்ற எத்தனை முறை வேறுபாடு எடுக்கப்பட்டது என்பதைக் குறிக்கிறது.
• q: MA கூறின் வரிசை. முந்தைய எத்தனை பிழைகள் பயன்படுத்தப்படுகின்றன என்பதைக் குறிக்கிறது.

ARIMA மாதிரியை உருவாக்குதல்

ARIMA மாதிரியை உருவாக்குவதற்கு பின்வரும் படிகளைப் பின்பற்ற வேண்டும்:

1. தரவு சேகரிப்பு: முதலில், பகுப்பாய்வு செய்ய வேண்டிய நேரத் தொடர் தரவைச் சேகரிக்கவும். 2. தரவு காட்சிப்படுத்தல்: தரவை வரைபடமாக வரைந்து, அதன் போக்குகள், பருவகால மாற்றங்கள் மற்றும் நிலையற்ற தன்மையைக் கண்டறியவும். தரவு காட்சிப்படுத்தல் என்பது தரவை புரிந்துகொள்ள உதவும் ஒரு முக்கியமான கருவியாகும். 3. நிலையற்ற தன்மையைச் சரிசெய்தல்: தரவு நிலையற்றதாக இருந்தால், வேறுபாடு (Differencing) மூலம் அதை நிலையானதாக மாற்றவும். 4. ACF மற்றும் PACF வரைபடங்கள்: ACF (Autocorrelation Function) மற்றும் PACF (Partial Autocorrelation Function) வரைபடங்களைப் பயன்படுத்தி, p மற்றும் q மதிப்புகளைத் தீர்மானிக்கவும். ACF என்பது ஒரு நேரத் தொடருக்கும் அதன் தாமதமான பதிப்பிற்கும் இடையிலான தொடர்பைக் காட்டுகிறது. PACF என்பது இரண்டு நேரத் தொடர்களுக்கு இடையிலான நேரடி தொடர்பைக் காட்டுகிறது. 5. மாதிரி மதிப்பீடு: தீர்மானிக்கப்பட்ட p, d, மற்றும் q மதிப்புகளைப் பயன்படுத்தி ARIMA மாதிரியை உருவாக்கவும். 6. மாதிரி சரிபார்ப்பு: மாதிரி சரியாக பொருந்துகிறதா என்பதை உறுதிப்படுத்த, மாதிரி எச்சங்களை (Residuals) சரிபார்க்கவும். எச்சங்கள் சீரற்ற முறையில் விநியோகிக்கப்பட வேண்டும். 7. முன்னறிவிப்பு: உருவாக்கப்பட்ட ARIMA மாதிரியைப் பயன்படுத்தி எதிர்கால மதிப்புகளைக் கணிக்கவும்.

பைனரி ஆப்ஷன் வர்த்தகத்தில் ARIMA மாதிரியின் பயன்பாடு

பைனரி ஆப்ஷன் வர்த்தகத்தில், ARIMA மாதிரியைப் பயன்படுத்தி சொத்துக்களின் விலை நகர்வுகளைக் கணிக்கலாம். உதாரணமாக, ஒரு பங்கின் விலை உயருமா அல்லது குறையுமா என்பதை முன்கூட்டியே கணித்து, அதற்கேற்ப வர்த்தகம் செய்யலாம்.

• விலை முன்னறிவிப்பு: ARIMA மாதிரி, ஒரு சொத்தின் எதிர்கால விலையை கணிக்க உதவுகிறது. இந்த முன்னறிவிப்புகளை அடிப்படையாகக் கொண்டு, பைனரி ஆப்ஷன் வர்த்தகத்தை மேற்கொள்ளலாம்.
• சிக்னல் உருவாக்கம்: ARIMA மாதிரியின் அடிப்படையில், வர்த்தக சமிக்ஞைகளை (Trading Signals) உருவாக்கலாம். உதாரணமாக, விலை உயரும் என்று கணித்தால், "Call" ஆப்ஷனை வாங்கலாம். விலை குறையும் என்று கணித்தால், "Put" ஆப்ஷனை வாங்கலாம்.
• ஆபத்து மேலாண்மை: ARIMA மாதிரி, வர்த்தகத்தில் உள்ள ஆபத்தை மதிப்பிட உதவுகிறது. இதன் மூலம், ஆபத்தை குறைக்க தேவையான நடவடிக்கைகளை எடுக்கலாம்.

ARIMA மாதிரியின் வரம்புகள்

ARIMA மாதிரி ஒரு சக்திவாய்ந்த கருவியாக இருந்தாலும், சில வரம்புகள் உள்ளன:

• தரவு தரம்: ARIMA மாதிரியின் துல்லியம், தரவின் தரத்தைப் பொறுத்தது. தவறான அல்லது முழுமையற்ற தரவு, தவறான முன்னறிவிப்புகளுக்கு வழிவகுக்கும்.
• நேரியல் தன்மை: ARIMA மாதிரி, தரவு நேரியல் முறையில் (Linear) தொடர்புடையது என்று கருதுகிறது. ஆனால், நிதிச் சந்தைகளில் தரவு பெரும்பாலும் நேரியல் அல்லாததாக (Non-Linear) இருக்கும்.
• மாதிரி தேர்வு: சரியான p, d, மற்றும் q மதிப்புகளைத் தேர்ந்தெடுப்பது கடினம். தவறான மதிப்புகள், தவறான முன்னறிவிப்புகளுக்கு வழிவகுக்கும்.

ARIMA மாதிரியுடன் தொடர்புடைய பிற நுட்பங்கள்

ARIMA மாதிரியுடன் தொடர்புடைய மேலும் சில நுட்பங்கள் இங்கே:

• GARCH மாதிரிகள்: GARCH மாதிரிகள் (Generalized Autoregressive Conditional Heteroskedasticity) நிதிச் சந்தைகளில் உள்ள மாறுபாட்டைக் கணிக்கப் பயன்படுகின்றன.
• State Space Models: State Space Models என்பது நேரத் தொடர் தரவைப் பகுப்பாய்வு செய்யப் பயன்படும் ஒரு பொதுவான கட்டமைப்பாகும்.
• Neural Networks: Neural Networks (நரம்பியல் வலைப்பின்னல்கள்) சிக்கலான தரவு உறவுகளைக் கண்டறியப் பயன்படுகின்றன.
• Support Vector Machines: Support Vector Machines (SVM) என்பது வகைப்பாடு மற்றும் பின்னடைவுப் பணிகளுக்குப் பயன்படும் ஒரு இயந்திர கற்றல் முறையாகும்.

தொழில்நுட்ப பகுப்பாய்வு மற்றும் அளவு பகுப்பாய்வு

ARIMA மாதிரியை தொழில்நுட்ப பகுப்பாய்வு மற்றும் அளவு பகுப்பாய்வு ஆகியவற்றுடன் இணைத்து பயன்படுத்தலாம். தொழில்நுட்ப பகுப்பாய்வு விலை மற்றும் அளவு தரவுகளைப் பயன்படுத்தி வர்த்தக முடிவுகளை எடுக்க உதவுகிறது. அளவு பகுப்பாய்வு, புள்ளிவிவர மாதிரிகள் மற்றும் கணித சூத்திரங்களைப் பயன்படுத்தி வர்த்தக முடிவுகளை எடுக்க உதவுகிறது.

• சராசரி நகர்வு (Moving Average): விலை போக்குகளை உறுதிப்படுத்த உதவுகிறது.
• சார்பு வலிமை குறியீடு (Relative Strength Index - RSI): ஒரு சொத்து அதிக வாங்கப்பட்டதா அல்லது அதிக விற்கப்பட்டதா என்பதை தீர்மானிக்க உதவுகிறது.
• MACD (Moving Average Convergence Divergence): விலை மாற்றங்களின் வேகத்தையும் திசையையும் அளவிட உதவுகிறது.
• Bollinger Bands: விலையின் ஏற்ற இறக்கத்தை அளவிட உதவுகிறது.

மேம்பட்ட ARIMA மாதிரிகள்

• SARIMA (Seasonal ARIMA): பருவகால தரவுகளுக்கு ஏற்றது.
• VARIMA (Vector ARIMA): பல நேரத் தொடர் தரவுகளை ஒரே நேரத்தில் பகுப்பாய்வு செய்யப் பயன்படுகிறது.
• ARIMAX (ARIMA with Exogenous Variables): வெளிப்புற காரணிகளை (Exogenous Variables) கணக்கில் எடுத்துக்கொள்கிறது.

முடிவுரை

ARIMA மாதிரி, நேரத் தொடர் தரவுகளைப் பகுப்பாய்வு செய்து, எதிர்கால மதிப்புகளைக் கணிக்கப் பயன்படும் ஒரு சக்திவாய்ந்த கருவியாகும். பைனரி ஆப்ஷன் வர்த்தகத்தில், விலை நகர்வுகளைக் கணிப்பதற்கும், வர்த்தக உத்திகளை உருவாக்குவதற்கும் இது ஒரு முக்கியமான கருவியாகும். இருப்பினும், ARIMA மாதிரியின் வரம்புகளைப் புரிந்துகொண்டு, அதை மற்ற நுட்பங்களுடன் இணைத்து பயன்படுத்துவது அவசியம்.

ஏன் இது பொருத்தமானது?

இந்தக் கட்டுரை நேரத் தொடர் பகுப்பாய்வுக்கான ஒரு முக்கியமான நுட்பமான ARIMA மாதிரிகளைப் பற்றி விவரிக்கிறது. நேரத் தொடர் பகுப்பாய்வு என்பது காலவரிசைப்படி சேகரிக்கப்பட்ட தரவுகளைப் பகுப்பாய்வு செய்து, எதிர்கால மதிப்புகளைக் கணிக்க உதவும் ஒரு புள்ளிவிவர முறையாகும். ARIMA மாதிரிகள் இந்த பகுப்பாய்வில் பரவலாகப் பயன்படுத்தப்படுகின்றன, எனவே இந்தக் கட்டுரை இந்த வகைக்கு மிகவும் பொருத்தமானது. பைனரி ஆப்ஷன் போன்ற நிதிச் சந்தை கணிப்புகளுக்கும் இது மிகவும் உபயோகமானது.

இப்போது பரிவர்த்தனையை தொடங்குங்கள்

IQ Option-ல் பதிவு செய்யவும் (குறைந்தபட்ச டெபாசிட் $10) Pocket Option-ல் கணக்கு திறக்கவும் (குறைந்தபட்ச டெபாசிட் $5)

எங்கள் சமூகத்தில் சேருங்கள்

எங்கள் Telegram சேனலுக்கு சேர்ந்து @strategybin பெறுங்கள்: ✓ தினசரி பரிவர்த்தனை சமிக்ஞைகள் ✓ சிறப்பு உத்திகள் மற்றும் ஆலோசனைகள் ✓ சந்தை சார்ந்த அறிவிப்புகள் ✓ தொடக்க அடிப்படையிலான கல்வி பொருட்கள்